不要钱做网站软件,python网站建设,滁州市住房城乡建设部网站,省企联网站建设要求前言 本文接上一篇文章《斯坦福机器人Mobile ALOHA的关键技术#xff1a;动作分块ACT的算法原理与代码剖析》而来#xff0c;当然最开始本文是作为上一篇文章的第二、第三部分的 但因为ACT太过关键#xff0c;除了在上一篇文章中写清楚其算法原理之外#xff0c;还得再剖…前言 本文接上一篇文章《斯坦福机器人Mobile ALOHA的关键技术动作分块ACT的算法原理与代码剖析》而来当然最开始本文是作为上一篇文章的第二、第三部分的 但因为ACT太过关键除了在上一篇文章中写清楚其算法原理之外还得再剖析其代码实现故为避免上一篇文章太过长也为更清楚的阐述Diffusion Policy、VINN故便有了本文 第一部分 Diffusion Policy 如我组建的复现团队里的邓老师所说斯坦福mobile aloha团队也用了 diffusion不过是作为对比实验的打击对象来用的 下面我们便根据Columbia University、Toyota Research Institute、MIT的研究者联合发布的《Diffusion Policy:Visuomotor Policy Learning via Action Diffusion》这篇论文详细解读下Diffusion Policy 1.1 什么是Diffusion Policy 如下图所示 a)具有不同类型动作表示的显式策略(Explicit policy with different types of action representations)b)隐式策略学习以动作和观察为条件的能量函数并对最小化能量景观的动作进行优化(Implicit policy learns an energy functionconditioned on both action and observation and optimizes for actions that minimize the energy landscape)c)扩散策略通过学习的梯度场将噪声细化为动作。这种表述提供了稳定的训练允许学习到的策略准确地建模为多模态动作分布并容纳高维动作序列Diffusion policy refines noise into actions via a learned gradient field. This formulation provides stable training, allows the learned policy to accurately model multimodalaction distributions, and accommodates high-dimensional action sequences 进一步所谓扩散策略是指将机器人的视觉运动策略表示为条件去噪扩散过程来生成机器人行为的新方法 扩散策略学习动作-分布评分函数的梯度 即该策略不是直接输出一个动作而是以视觉观察为条件对K次去噪迭代推断“动作-得分梯度”(instead of directly outputting an action, the policy infers the action-score gradient, conditioned on visual observations, for K denoising iterations)并在推理过程中通过一系列随机朗之万动力学步骤对该梯度场进行迭代优化。扩散公式在用于机器人策略时产生了强大的优势包括优雅地处理多模态动作分布适合高维动作空间并表现出令人印象深刻的训练稳定性为了充分释放扩散模型在物理机器人上进行视觉运动策略学习的潜力作者团队提出了一套关键的技术贡献包括将后退视界控制、视觉调节和时间序列扩散transformer结合起来 1.2 Diffusion for Visuomotor Policy Learning 如下图所示 a)一般情况下该策略在时间步长时将最新的步观测数据作为输入并输出步动作General formulation. At time step t, the policy takes the latest To steps of observation data Ot as input and outputs Ta steps of actions Atb)在基于CNN的扩散策略中对观测特征应用FiLM(Feature-wise Linear Modulation)[35]来调节每个卷积层通道。从高斯噪声中提取的减去噪声估计网络的输出并重复次得到去噪动作序列 「(这个过程是扩散模型去噪的本质如不了解DDPM请详看此文《AI绘画能力的起源从VAE、扩散模型DDPM、DETR到ViT/Swin transformer》」In the CNN-based Diffusion Policy, FiLM (Feature-wise Linear Modulation) [35] conditioning of the observation feature Ot is applied to every convolution layer, channel-wise. Starting from AtK drawn from Gaussian noise, the outputof noise-prediction network εθ is subtracted, repeating K times to get At0, the denoised action sequence. c)在基于Transformer的[52]扩散策略中观测的嵌入被传递到每个Transformer解码器块的多头交叉注意力层。每个动作嵌入使用所示注意力掩码进行约束仅关注自身和之前的动作嵌入(因果注意)In the Transformer-based [52]Diffusion Policy, the embedding of observation Ot is passed into a multi-head cross-attention layer of each transformer decoder block. Eachaction embedding is constrained to only attend to itself and previous action embeddings (causal attention) using the attention mask illustrated. 虽然DDPM通常用于图像生成但该团队使用DDPM来学习机器人的视觉运动策略。这需要针对DPPM的公式进行两大修改 之前输出的是图像现在需要输出为机器人的动作(changing the output x to represent robot actions)去噪时所依据的去噪条件为观测Ot (making the denoising processes conditioned on input observation Ot) 具体来说在时间步该策略以最新步的观测数据Ot作为输入预测步的动作。其中机器人执行步的动作时无需重新规划。在此定义中表示观测视界表示动作预测视界而则代表了动作执行视界。这样做既促进了时间动作的一致性又保持了响应速度 我们使用DDPM来近似条件分布p(At|Ot)而不是Janner等人[20]用于规划的联合分布p(At,Ot)。这种表述方式允许模型以观察为条件来预测动作而无需以推断未来状态的成本(This formulation allows the model to predict actionsconditioned on observations without the cost of inferringfuture states)加快扩散过程并提高生成动作的准确性 众所周知从从高斯噪声中采样的开始DDPM执行次去噪迭代以产生一系列降低噪声水平的中间动作直到形成所需的无噪声输出 (说白了就是去噪) 该过程遵循下述所示的公式1 其中为通过学习优化参数的噪声估计网络为每次迭代时加入的高斯噪声 且上面的公式1也可以理解为一个单一的噪声梯度下降步长定义为如下公式2                                                  其中噪声估计网络有效地预测了梯度场为学习速率 此外公式1中的、和作为与迭代步长相关的函数选择被称为噪声调度可以理解为梯度下降过程中学习速率的调整策略。经证明将设定略小于1能够改善稳定性 再之后训练过程首先从数据集中随机抽取未修改的样本。对于每个样本我们随机选择一个去噪迭代然后为迭代采样一个具有适当方差的随机噪声 然后要求噪声估计网络从添加噪声的数据样本中预测噪声如下公式3 最小化公式3所示的损失函数也同时最小化了数据分布p(x0)和从DDPM q(x0)中提取的样本分布之间KL-散度的变分下界为了获取条件分布将公式1修改为如下公式4 将训练损失由公式3修改为如下的公式5 1.2.1 视觉编码器的选型CNN PK transformer 基于CNN的扩散策略中采用Janner等人[21]的一维时态CNN并做了一些修改如下图所示 首先我们仅通过特征线性调制(FiLM)和对观测特征的动作生成过程进行调节并进行去噪迭代以建模条件分布其次我们仅预测动作轨迹而非连接观测动作轨迹(we only predict the action trajectory instead of the concatenated observation action trajectory)第三利用receding prediction horizon删除了基于修复的目标状态条件反射。然而目标条件反射仍然是可能的与观测所用的FiLM条件反射方法相同we removed inpainting-based goal state conditioning due to incompatibility with our framework utilizing a receding prediction horizon. However, goal conditioning is still possible with the same FiLM conditioning method used for observations 在实践中发现基于CNN的骨干网络在大多数任务上表现良好且无需过多超参数调优。然而当期望的动作序列随着时间快速而急剧变化时(如velocity命令动作空间)它的表现很差可能是由于时间卷积的归纳偏差[temporal convolutions to prefer lowfrequency signals]以偏好低频信号所致。为减少CNN模型中过度平滑效应[49]我们提出了一种基于Transformer架构、借鉴minGPT[42]思想的DDPM来进行动作预测 如下图所示 行动和噪声作为transformer解码器块的输入tokens传入扩散迭代的正弦嵌入作为第一个token(Actions with noise At k are passed in as input tokens for the transformer decoder blocks, with the sinusoidal embedding for diffusion iteration k prepended as the first token) 观测通过共享的MLP转换为观测嵌入序列然后作为输入特征传递到transformer解码器堆栈中(The observation Ot is transformed into observation embedding sequence by a shared MLP, which is then passed into the transformer decoder stack as input features) “梯度”由解码器堆栈的每个对应输出token进行预测(The gradient εθ (Ot ,At k , k) is predicted by each corresponding output token of the decoder stack)在我们的基于状态的实验中大多数性能最佳的策略都是通过Transformer骨干实现的特别是当任务复杂度和动作变化率较高时。然而我们发现Transformer对超参数更敏感 Transformer训练的困难[25]并不是Diffusion Policy所独有的未来可以通过改进Transformer训练技术或增加数据规模来解决(However, we found the transformer to be more sensitive to hyperparameters. The difficulty of transformer training [25] is not unique to Diffusion Policy and could potentially be resolved in the future with improved transformer training techniques or increased data scale) 故一般来说我们建议从基于CNN的扩散策略实施开始作为新任务的第一次尝试。如果由于任务复杂性或高速率动作变化导致性能低下那么可以使用时间序列扩散Transformer来潜在地提高性能但代价是额外的调优(In general, we recommend starting with the CNN-based diffusion policy implementation as the first attempt at a new task. If performance is low due to task complexity or high-rate action changes, then the Time-series Diffusion Transformer formulation can be used to potentially improve performance at the cost of additional tuning) 看到上面这里后我第一反应是想到了此文《视频生成的原理解析从Gen2、Emu Video到PixelDance、SVD、Pika 1.0、W.A.L.T》第六部分中提到的W.A.L.T将Transformer用于扩散模型 “23年12月中旬来自斯坦福大学、谷歌、佐治亚理工学院的研究者提出了 Window Attention Latent Transformer即窗口注意力隐 Transformer简称 W.A.L.T 该方法成功地将 Transformer 架构整合到了隐视频扩散模型中斯坦福大学的李飞飞教授也是该论文的作者之一” 当然既然提到了视频生成也顺便说一嘴如我组建的mobile aloha复现小组里邓老师所说的“机器人比生成视频简单太多了例如视频由一连串图像帧构成每一帧图像经常是 256 * 256 * 3 个数值而机器人只有 14 个数值” 1.2.2 视觉编码器把图像潜在嵌入化并通过扩散策略做端到端的训练 视觉编码器将原始图像序列映射为潜在嵌入并使用扩散策略进行端到端的训练(The visual encoder maps the raw image sequence intoa latent embedding Ot and is trained end-to-end with thediffusion policy) 不同的相机视图使用不同的编码器以对每个时间步内的图像独立编码然后连接形成且使用标准的ResNet-18(未进行预训练)作为编码器并进行以下修改: 使用空间softmax池化替代掉全局平均池化以维护空间信息1) Replace the global average pooling with a spatial softmax pooling to maintain spatial information[29]采用GroupNorm代替BatchNorm来实现稳定训练在归一化层与指数移动平均(通常应用于DDPMs)结合时尤其重要2) Replace BatchNorm with GroupNorm [57] for stabletraining. This is important when the normalization layer isused in conjunction with Exponential Moving Average [17](commonly used in DDPMs) 1.3 扩散策略的稳定性与好处 1.3.1 动作序列预测的好处 由于高维输出空间采样困难在大多数策略学习方法中一般不做序列预测。例如IBC将难以有效地采样具有非光滑能量景观的高维动作空间。类似地BC-RNN和BET难以确定动作分布中存在的模式数量(需要GMM或k-means步骤) 相比之下DDPM在不降低模型表现力的前提下在输出维度增加时仍然保持良好扩展性在许多图像生成应用中已得到证明。利用这种能力扩散策略以高维动作序列的形式表示动作它自然地解决了以下问题 时间动作一致性如下图所示为了将T块从底部推入目标策略可以从左或右绕T块走 然而如果序列中的每个动作被预测为独立的多模态分布(如在BC-RNN和BET中所做的那样)。连续动作可能会从不同模式中提取出来并导致两个有效轨迹之间交替出现抖动动作However, suppose each action in the sequence is predicted as independent multimodal distributions (as done in BCRNN and BET). In that case, consecutive actions could be drawn from different modes, resulting in jittery actions that alternate between the two valid trajectories.对于空闲动作的鲁棒性当演示暂停并导致相同位置或接近零速度的连续动作序列时则会发生空闲行为。这在远程操作等任务中很常见 然而单步策略容易过度适应这种暂停行为。例如在实际世界实验中使用BC-RNN和IBC时经常会卡住未删除训练数据集中包含的空闲行为(BC-RNN andIBC often get stuck in real-world experiments when the idleactions are not explicitly removed from training) // 待更 1.3.2 扩散模型在训练中的稳定 隐式策略使用基于能量的模型(EBM)表示动作分布(An implicit policy represents the action distribution using an Energy-Based Model (EBM))如下公式6所示 其中是一个难以处理的归一化常数(相对于a) 为了训练用于隐式策略的EBM使用了infonce风格的损失函数它相当于公式6的负对数似然 在实践中负采样的不准确性已知会导致EBMs的训练不稳定[11,48] 扩散策略和ddpm通过建模公式6中相同动作分布的得分函数[46]完全回避了的估计问题: 因此扩散策略的推理过程(公式4)和训练过程(公式5)都不涉及对的评估从而使扩散策略的训练更加稳定 第二部分 VINN // 待更